機械学習の分野において、学習モデルの複雑さと過学習の起こりやすさはトレードオフの関係にあることが知られている。
そのために汎化能力の高いモデルを得るためには、問題に対して適切な複雑さを持つ学習モデルを使うことが望ましいものの、実際には経験に依ってその学習モデルを決定しているのが現状である。
そこで本講演では統計的機械学習のモデルである制限ボルツマンマシン分類器に着目し、その中間層の素子にスパース性を持たせたモデルへと拡張する。提案モデルは隠れ層の素子数を自動的に調節する機能を持つ。
また、提案したモデルを基に人工データ・実データを用いた数値実験を行い、提案モデルの有効性を検証する。